Tilewise Domain-Separated Selective Encryption for Remote Sensing Imagery under Chosen-Plaintext Attacks

Resumen Técnico: TDS-SE

1. Planteamiento del Problema

La encriptación selectiva es fundamental en sistemas de teledetección para proteger regiones de interés (ROI) sensibles (como instalaciones militares o infraestructura crítica) mientras se mantiene la eficiencia computacional al dejar el resto de la imagen en texto plano. Sin embargo, muchos diseños existentes sufren de una vulnerabilidad crítica bajo ataques de texto plano elegido (CPA):

• Fuga Estructural Transversal: Cuando un sistema reutiliza transformaciones dependientes de la clave (o la misma clave) a través de diferentes posiciones espaciales (baldosas o tiles) o marcos temporales, un adversario puede aprender un mapeo estructural en un subconjunto de datos y transferirlo a otros.
• Limitación de Métricas Estadísticas: Métricas tradicionales como entropía, correlación o UACI no detectan esta fuga, ya que los cifrados pueden parecer estadísticamente aleatorios pero mantener patrones estructurales reutilizables.
• Riesgo en Teledetección: Dado que las imágenes de teledetección se procesan en mosaicos (tiles) y a menudo utilizan claves maestras a largo plazo, la reutilización de claves entre baldosas permite que un atacante reconstruya información sensible en posiciones no atacadas directamente, explotando la simetría estructural.

2. Metodología Propuesta: TDS-SE

Los autores proponen TDS-SE (Encriptación Selectiva Separada por Dominio a Nivel de Bloques), un marco que alinea la separación de dominios criptográficos con la granularidad de la protección selectiva.

Principios Clave del Diseño:

• Separación de Dominio por Baldosa: En lugar de usar una única clave derivada para toda la imagen, se derivan claves independientes para cada baldosa (y opcionalmente por marco temporal).
• Derivación de Claves (HKDF): Se utiliza la función de derivación de claves basada en hash (HKDF) con una etiqueta de dominio explícita.
  • La clave maestra ($K_{master}$) se combina con un nonce público por marco ($N_t$) y las coordenadas de la baldosa $(i, j)$.
  • La fórmula de derivación asegura que $K_{t,i,j}$ sea computacionalmente independiente para cada posición, incluso bajo la misma clave maestra.
• Máscara ROI como Información Secundaria: La máscara que define qué baldosas son ROI se trata estrictamente como información lateral externa. No se utiliza para derivar el estado secreto, evitando dependencias circulares que un atacante podría explotar mediante manipulación de texto plano.
• Primitiva de Cifrado Local: El cifrado se realiza dentro de cada baldosa de forma aislada (sin cadenas de difusión o permutación que crucen los límites de la baldosa). La implementación principal utiliza AES-CTR por baldosa.

Variaciones Evaluadas:
El estudio compara cuatro variantes para aislar el impacto de la separación de dominios:

• A0: Sin separación (reutilización total de la clave maestra).
• A1: Frescura solo por marco (misma clave para todas las baldosas de una imagen).
• A2: Separación solo por baldosa (sin nonce por marco).
• A3: Separación completa (por marco + por baldosa).

3. Protocolo de Evaluación y Amenazas

En lugar de buscar pruebas formales de indistinguibilidad, el artículo adopta una evaluación empírica de seguridad basada en la capacidad de un atacante para transferir conocimiento aprendido.

• Modelo de Atacante: Tiene acceso a un oráculo de encriptación con texto plano elegido. Puede solicitar la encriptación de imágenes con máscaras ROI específicas y observar los resultados.
• Objetivo del Atacante: Reconstruir el contenido de las baldosas ROI a partir de los cifrados, utilizando modelos de aprendizaje automático.
• Métricas de Fuga: Se mide la calidad de reconstrucción en las baldosas ROI utilizando PSNR (Relación Señal-Ruido Pico) y SSIM (Índice de Similitud Estructural). Un valor más alto indica una fuga mayor.
• Distinguidores:
  1. Modelo Lineal (Att-LR): Regresión ridge sobre representaciones de baja frecuencia.
  2. Red Neuronal Convolucional Ligera (Att-CNN): Capacidad no lineal moderada.
• Escenarios de Prueba:
  • Transferencia Transversal (Cross-Tile): Entrenar en una posición de baldosa y probar en otras.
  • Generalización Transversal (Cross-Sample): Entrenar en un subconjunto de imágenes y probar en otras no vistas.
  • Asimetría de Conocimiento: Evaluar el rendimiento cuando el atacante conoce o no la máscara ROI.

4. Resultados Experimentales

Los experimentos se realizaron en los conjuntos de datos públicos RESISC45 y SEN12MS.

• Reducción de Transferencia Posicional:
  • La variante con separación completa (A3) y la variante solo por baldosa (A2) redujeron significativamente la capacidad del modelo lineal para transferir patrones aprendidos de una posición de baldosa a otra.
  • En el modelo lineal, la separación por baldosa (A2) logró el PSNR más bajo en la prueba de transferencia cruzada, confirmando que la reutilización de claves es el canal de fuga dominante.
• Robustez ante Asimetría de Conocimiento:
  • La variante A3 mostró una mayor robustez ante suposiciones imperfectas de la máscara ROI en el modelo CNN, manteniendo una variación de rendimiento menor entre escenarios de conocimiento conocido, desconocido o erróneo.
• Comportamiento Mixto en Generalización:
  • La generalización entre diferentes muestras de imágenes (Cross-Sample) mostró comportamientos mixtos, lo que sugiere que la encriptación rompe la estructura estadística específica de la escena más efectivamente que la estructura posicional.
• Verificación de Seguridad (Sanity Check):
  • Se demostró que una variante sin separación de dominios (B1) es completamente vulnerable: un atacante puede recuperar la clave de flujo (keystream) cifrando una baldosa de ceros y usarla para descifrar cualquier otra baldosa en el mismo marco, logrando una reconstrucción casi perfecta (PSNR ~99 dB).
  • Con TDS-SE (A3), este ataque falla (PSNR ~23 dB), validando la eficacia de la separación de dominios.

5. Contribuciones Clave

1. Marco TDS-SE: Propone un pipeline de encriptación selectiva donde la derivación de claves se realiza a nivel de baldosa (y marco) mediante separación de dominios explícita, eliminando la reutilización estructural transversal.
2. Protocolo de Evaluación Orientado a CPA: Introduce una metodología empírica que mide la seguridad a través de la transferibilidad de patrones aprendidos por modelos de aprendizaje automático, en lugar de depender únicamente de métricas estadísticas estáticas.
3. Validación Exhaustiva: Proporciona evidencia empírica de que la separación de dominios es crítica para mitigar fugas estructurales en sistemas de teledetección, utilizando conjuntos de datos reales y atacantes basados en aprendizaje profundo.

6. Significado e Impacto

Este trabajo es significativo porque:

• Cambia el Paradigma de Evaluación: Demuestra que las métricas estadísticas tradicionales son insuficientes para la encriptación selectiva y que la evaluación debe centrarse en la resistencia a ataques adaptativos y la transferencia de conocimiento.
• Solución Práctica para Teledetección: Ofrece un mecanismo de ingeniería (separación de dominios) que es compatible con los flujos de trabajo existentes (como el uso de AES-CTR) pero que mitiga una vulnerabilidad sistémica común en la protección de grandes volúmenes de datos satelitales.
• Prevención de Fugas de Largo Plazo: Al asegurar que cada baldosa tenga un dominio criptográfico único, se evita que un atacante acumule conocimiento a lo largo de múltiples imágenes o misiones, protegiendo la confidencialidad a largo plazo incluso si la clave maestra se mantiene constante.

En conclusión, el artículo establece que para la encriptación selectiva en teledetección, la granularidad de la separación de dominios debe coincidir con la granularidad de la protección (nivel de baldosa) para prevenir fugas estructurales explotables bajo ataques de texto plano elegido.